論文の概要: DeepEdu-v1: Efficient and Scalable Agentic LLMs for Vietnamese Education

• arxiv url: http://arxiv.org/abs/2609.31568v1
• Date: Fri, 25 Sep 2026 17:33:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.521944
• Title: DeepEdu-v1: Efficient and Scalable Agentic LLMs for Vietnamese Education
• Title（参考訳）: DeepEdu-v1:ベトナム教育のための効率的でスケーラブルなエージェントLLM
• Abstract要約: SCALE(Self-improving Context-Aware Learning Engine)上に構築されたベトナム語教育のためのAI学習システムDeepEdu-v1を提案する。 DeepEdu は標準的な vLLM よりも x2 TTFT の高速化を実現し、複雑なタスクにおいてエージェントの精度を 70.0% から 79.5% に引き上げる。 デプロイされた構成では、DeepEduは標準的なvLLMよりも約x2 TTFTの高速化を実現し、複雑なタスクにおいてエージェントの精度を70.0%から79.5%に引き上げる。
• 参考スコア（独自算出の注目度）: 4.8775268199830935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI tutoring could markedly improve learning outcomes for students in developing regions such as Vietnam, yet the two obvious paths both fall short. Cloud assistants such as ChatGPT route sensitive student data to foreign servers---violating data-sovereignty laws such as Vietnam's Decree 53---and, pre-trained on Western-centric corpora, are not organized around the national textbook curriculum, so their knowledge of local content is unsystematic and frequently hallucinated. Self-hosting an open model keeps data on-premise but hits a two-fold wall: post-training quantization (AWQ, GPTQ) tames the static weight footprint, yet the dynamic KV cache and prefill latency of long tutoring contexts still cause out-of-memory failures and slow responses on consumer GPUs, while the model keeps hallucinating on region-specific material. We present DeepEdu-v1, an AI-tutoring system for Vietnamese education built on SCALE (Self-improving Context-Aware Learning Engine), a framework with two innovations. First, a long-context inference engine amortizes token selection from per-sub-chunk to per-cluster granularity; on long-context retrieval it issues x7.7 fewer retrieval calls than a state-of-the-art selective-attention baseline, cutting prefill latency (TTFT) by roughly 35% while matching or improving task accuracy. Second, a self-improving agentic layer continuously curates a verified playbook from past interactions instead of fine-tuning, a design intended to progressively reduce reliance on dominant-language priors as trustworthy local knowledge accumulates. In its deployed configuration, DeepEdu achieves a nearly x2 TTFT speedup over standard vLLM serving and lifts agentic accuracy from 70.0% to 79.5% on complex tasks, with the strongest per-track gains across financial-reasoning and interactive-agent benchmarks.
• Abstract（参考訳）: AI教育は、ベトナムなどの発展途上国の学生の学習成果を大幅に改善する可能性があるが、2つの明らかな道はどちらも不足している。 ChatGPTのようなクラウドアシスタントは、留学生データを外国のサーバーにルートする ― ベトナムの53条のようなデータ不平等法に違反している ― そして、西洋中心のコーパスで事前訓練された ― は、国定教科書のカリキュラムには組み込まれておらず、現地のコンテンツに関する知識は非体系的で、頻繁に幻覚化されている。 トレーニング後の量子化(AWQ, GPTQ)は静的なウェイトフットプリントを損なうが、長いチュータリングコンテキストの動的KVキャッシュとプリフィルレイテンシは、依然としてメモリ外障害とコンシューマGPUに対する応答の遅さを引き起こし、モデルはリージョン固有の素材を幻覚し続けている。 我々は,SCALE(Self-improving Context-Aware Learning Engine)上に構築されたベトナム語教育のためのAIチューニングシステムであるDeepEdu-v1を紹介する。 まず、ロングコンテキスト推論エンジンは、サブチャンクごとのトークン選択をクラスタごとの粒度に補正し、ロングコンテキスト検索では、最先端の選択的アテンションベースラインよりもx7.7少ない検索コールを発行し、タスク精度をマッチングまたは改善しながら、プリフィルレイテンシ(TTFT)を約35%削減する。 第二に、自己改善エージェント層は、信頼性のあるローカル知識が蓄積されるにつれて、支配的な言語への依存を徐々に減らそうとする設計である微調整ではなく、過去の相互作用から検証されたプレイブックを継続的にキュレートする。 デプロイされた構成では、DeepEduは標準的なvLLMよりも約x2 TTFTの高速化を実現し、複雑なタスクにおいてエージェント精度を70.0%から79.5%に引き上げる。

関連論文リスト

• Bridging the Reasoning Gap in Vietnamese with Small Language Models via Test-Time Scaling [0.0]
  本稿ではベトナムの初等数学の文脈におけるQwen3-1.7Bアーキテクチャのテスト時間スケーリング戦略について検討する。 本稿では,Gemini 2.5 Flash-Lite 駆動パイプラインを介してローカライズされた高忠実性推論データセット Vi-S1K と,厳密な評価のためのデュアルリソースベンチマーク Vi-Bench を紹介する。
  論文  参考訳（メタデータ） (2026-04-20T04:36:03Z)
• LACONIC: Dense-Level Effectiveness for Scalable Sparse Retrieval via a Two-Phase Training Curriculum [73.82125917416067]
  LACONICは、Llama-3アーキテクチャに基づく学習されたスパースレトリバーのファミリーである。 8Bの派生型はMTEB Retrievalベンチマークで最先端の60.2 nDCGを達成し、リーダーボードで15位となった。
  論文  参考訳（メタデータ） (2026-01-04T22:42:20Z)
• Efficient-VLN: A Training-Efficient Vision-Language Navigation Model [24.261272070476934]
  マルチモーダル大言語モデル(MLLM)は視覚言語ナビゲーション(VLN)において有望な可能性を示している。 トレーニング効率の良いVLNモデルであるEfficient-VLNを提案する。 具体的には、トークン処理の負担を軽減するために、2つの効率的なメモリ機構を設計する。 実験により, R2R-CE (64.2% SR) と RxR-CE (67.0% SR) の最先端性能が得られた。
  論文  参考訳（メタデータ） (2025-12-11T05:57:48Z)
• EffiReasonTrans: RL-Optimized Reasoning for Code Translation [48.862761776440635]
  EffiReasonTransは、推論レイテンシのバランスを保ちながら翻訳精度を向上させるために設計されたトレーニングフレームワークである。 EffiReasonTransは、生成トークンの数を減らしながら、翻訳精度(ベースモデルと比較して+49.2% CAと+27.8% CodeBLEU)を一貫して改善している。
  論文  参考訳（メタデータ） (2025-10-21T17:55:39Z)
• Automatic Proficiency Assessment in L2 English Learners [51.652753736780205]
  英語の第二言語習熟度(L2)は通常、英語の教師や専門家の評価者によって知覚的に評価される。 本稿では, 音声信号と対応文字の双方に対処し, 総合的なL2習熟度評価のための深層学習手法について検討する。
  論文  参考訳（メタデータ） (2025-05-05T12:36:03Z)
• Efficient Self-supervised Learning with Contextualized Target Representations for Vision, Speech and Language [60.12197397018094]
  data2vecは学習目標であり、いくつかのモダリティにまたがって一般化します。 マスクされたトークンをエンコードしたり、高速な畳み込みデコーダを使ったり、教師表現の構築に力を注いだりはしません。 ImageNet-1K画像分類の実験では、Data2vec 2.0は16.4倍低いトレーニング時間でMasked Autoencodersの精度と一致している。
  論文  参考訳（メタデータ） (2022-12-14T22:13:11Z)
• Efficient Utilization of Large Pre-Trained Models for Low Resource ASR [31.57758062484189]
  ベトナム語とドイツ語の医学領域から,低リソースの会話音声コーパスについて検討した。 本研究では,大規模事前学習モデルの簡易微調整を超えて,教師なし手法の利点を示す。
  論文  参考訳（メタデータ） (2022-10-26T17:34:30Z)
• Dynamic Multi-Branch Layers for On-Device Neural Machine Translation [53.637479651600586]
  動的マルチブランチ層を用いたオンデバイスニューラルマシン翻訳(NMT)システムの性能向上を提案する。 具体的には、トレーニングと推論中に1つの分岐のみを活性化した層方向動的マルチブランチネットワークを設計する。 ほぼ同じ計算コストで、WMT14英語-ドイツ語翻訳タスクでは最大1.7 BLEUポイント、WMT20中国語-英語翻訳タスクでは1.8 BLEUポイントの改善を実現します。
  論文  参考訳（メタデータ） (2021-05-14T07:32:53Z)
• LANA: Towards Personalized Deep Knowledge Tracing Through Distinguishable Interactive Sequences [21.67751919579854]
  今後の質問に対する学生の回答を予測するために、Leveled Attentive KNowledge TrAcing(LANA)を提案します。 新しい学生関連特徴抽出装置(SRFE)を使用して、学生固有の特性をそれぞれのインタラクティブシーケンスから蒸留します。 ピボットモジュールは、個々の学生のためのデコーダを再構築し、グループのためのレベル付き学習特化エンコーダにより、パーソナライズされたDKTを実現した。
  論文  参考訳（メタデータ） (2021-04-21T02:57:42Z)
• Efficient Crowd Counting via Structured Knowledge Transfer [122.30417437707759]
  クラウドカウントはアプリケーション指向のタスクであり、その推論効率は現実世界のアプリケーションにとって不可欠である。 本稿では,学生ネットワークを軽量かつ高効率に構築する構造的知識伝達フレームワークを提案する。 我々のモデルはNvidia 1080 GPUで最低6.5$times$のスピードアップを取得し、最先端のパフォーマンスも達成しています。
  論文  参考訳（メタデータ） (2020-03-23T08:05:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。